[发明专利]一种应用于气候变化情景下区域未来植被指数的预估方法

说明书

本发明涉及一种应用于气候变化情景下区域未来植被指数的预估方法，首先进行特征变量初步选取，之后生成样本，进行模型关键参数设置；通过Python调用Sklearn机器学习库中随机森林模型，输入样本数据S进行模型训练；然后，进行随机森林模型预报性能评估；SDSM预报因子筛选；SDSM模型率定与验证；构造随机森林模型的预报因子集；最后将生成的预报因子集输入到训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。本发明能够针对未来不同气候变化情景，对区域未来植被指数进行预估。

技术领域

本发明涉及生态环境质量评估领域，特别是一种应用于气候变化情景下区域未来植被指数的预估方法。

背景技术

当前全球气候正经历以变暖为主要特征的显著变化，IPCC第五次评估报告指出，1880-2012年全球地表平均温度升高0.85℃。相关研究均指出温度、降水等气象变量是影响植被生长发育的重要环境因子，而植被指数反映植被生长状态，是表征区域生态环境质量的重要指标。

目前，关于气候变化与植被指数的研究更多的集中于两者间响应关系研究，研究侧重点在于历史数据，而关于未来植被指数预估方法的研究目前尚属空白。随着气候变化研究的不断深入，如今已有成熟的技术手段对未来不同气候情景的气象变量进行定量预估。同时随着机器学习方法日渐成熟，目前已能提供一种相对准确的变量预估手段。在此基础上，构建气候变化情景下区域未来植被指数的预估方法已成为可能。

发明内容

有鉴于此，本发明的目的是提供一种应用于气候变化情景下区域未来植被指数的预估方法，能够针对未来不同气候变化情景，对区域未来植被指数进行预估。本发明采用以下方案实现：一种应用于气候变化情景下区域未来植被指数的预估方法，

包括以下步骤：

步骤S1：特征变量初步选取：获取影响年度植被指数的特征变量，包括反应气候状况的年平均气温、年降水量、年蒸发量、反应地表下垫面的人口密度、GDP空间分布、土地利用、土壤数据、高程和坡度，数据形式均为栅格数据；其中，所述年平均气温、年降水量、年蒸发量统称为气象变量；

步骤S2：将特征变量与植被指数统一转换为栅格数据；然后，由ArcGIS的RastertoAscii工具将栅格数据转换为Ascii码；再由Python调用Numpy库读取Ascii码数据，由Pandas库将读取的数据构建成随机森林模型的样本集S,如式(1)：

式中:为反应气候状况的特征变量，为反应地表下垫面的特征变量，Y_i为预测变量；n为样本容量；j为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数；

步骤S3：随机森林模型关键参数设置：随机森林算法需要设置决策树数目n_tree与节点分割时随机选取的特征变量数m_try两个关键参数；在计算机性能充足的情况下，n_tree设置大值n_tree∈[100，+∞)，m_try设置为m表示特征变量总个数，即步骤S2中的j+k；

步骤S4：训练样本：通过Python调用Sklearn机器学习库中随机森林模型，输入样本集S进行模型训练，得到训练好的随机森林模型；

步骤S5：特征变量确定：由随机森林模型计算各特征变量的重要性评分，利用式(2)进行评分计算，选取评分结果排名前50％的变量作为预估植被指数的特征变量，特征变量中的气象变量通过SDSM降尺度模型进行预估；

式中:E_errOOB1为袋外数据误差；E_errOOB2为随机对袋外数据所有特征变量的样本加入噪声干扰再次计算的袋外误差；n_tree为决策树数目。